主要研究了图神经网络（GNN）中多任务提示（multi-task prompting）的方法。文中讨论了传统的GNN“预训练与微调”方法和下游任务割裂，特别是在节点级（node-level）、边级（edge-level）和图级（graph-level）任务之间（不同任务之间不通用）。为了克服这些问题，文中引入了“提示学习”（灵感来自自然语言处理中的方法）并将其应用到图任务中。核心思想是构建一个框架

该思想从现有真实数据中学习参数，再构造类似但分布略异的数据集，验证模型泛化性能。我们关注的是泛化与稳健性，不只是某个具体应用，同时 参考 DB Track 的设计理念，可以从 synthetic dataset generation 切入。DrivAerNet++多模态汽车数据集，结合计算流体力学模拟与深度学习基准，用于自动驾驶研究。HelpSteer 2用于训练奖励模型的开源数据集，支持对齐与安